Gemini 4 Argon rückt an die KI-Spitze heran – Testaufbau bleibt entscheidend [S1]

ARC-AGI-3: Ein hoher Wert mit deutlicher Abhängigkeit vom Harness

Besonders aufmerksamkeitsstark ist Argons Ergebnis im ARC-AGI-3-Benchmark: Im sogenannten Provider Adapter Harness erzielte das Modell 97,5 Prozent. Dieser Testaufbau kann anbieterspezifische Funktionen nutzen, darunter gespeichertes Reasoning und eine intelligente Komprimierung des Kontexts. Laut ARC Prize überschritt Google damit als zweites großes KI-Labor nach OpenAI die Marke von 95 Prozent; GPT-6 Astra lag mit 99,9 Prozent darüber. [1]

Für die 25 öffentlich zugänglichen Spiele des Tests berichtet The Decoder außerdem, Argon habe ebenso wie GPT-6 Astra 62 Prozent weniger Aktionen als die menschliche Baseline benötigt. In drei Spielen erreichte oder übertraf das Modell demnach den Speedrun-Rekord; in sechs weiteren lag es höchstens zehn Prozent davon entfernt. Das sind Ergebnisse für diesen Teil des Benchmarks und keine allgemeine Aussage über die Geschwindigkeit in betrieblichen Abläufen. [1]

Im Standard Harness, der zwischen den Runden nur einfache Notizen zulässt, sank Argons Ergebnis bei niedrigem Reasoning auf 49,8 Prozent. Bei mittlerem Reasoning wurden 46,3 Prozent ausgewiesen. Die Tester konnten dabei nicht alle 55 Spiele abschließen: Laut Bericht beendete das System 42 Spiele bei niedrigem und 46 bei mittlerem Reasoning; beim höchsten Reasoning-Level waren es lediglich 19. Für die veröffentlichten Punktwerte flossen auch Teilergebnisse abgebrochener Durchläufe ein. [1]

Was der Methodenunterschied für Vergleiche bedeutet

Die große Differenz zwischen den beiden ARC-AGI-3-Ergebnissen macht sichtbar, dass nicht nur das Modell, sondern auch seine technische Einbettung gemessen wird. Wenn ein Harness zusätzliche Funktionen für den Umgang mit Reasoning und Kontext erlaubt, kann das die Aufgabenausführung beeinflussen. Ein Ergebnis aus einem solchen Setup lässt sich deshalb nicht ohne Weiteres mit einem Wert aus einer eingeschränkteren Umgebung gleichsetzen. [1]

The Decoder verweist auf eine ähnliche Auseinandersetzung bei früheren ARC-AGI-3-Tests: OpenAI hatte laut Bericht argumentiert, Benchmarks erfassten stets auch die technische Umgebung. Nach der Debatte erlaubte ARC Prize allgemein verfügbare API-Einstellungen. Der Argon-Fall zeigt zugleich, dass mehr Flexibilität zwar realistischere Produktkonfigurationen abbilden kann, aber den direkten Vergleich erschwert, wenn Modelle mit unterschiedlichen Funktionen oder Einstellungen getestet werden. [1]

Gesamtwertung und Fachdisziplinen ergeben kein einheitliches Bild

Die Gesamtwertung von 165 Punkten verdeckt Unterschiede zwischen den Aufgabenfeldern. Nach den von The Decoder wiedergegebenen vorläufigen Schätzungen von Epoch AI lag Argon im Math ECI auf Rang acht und im Software Engineering Index auf Rang sechs. In mehreren Wissens-, Agenten- und Vision-Benchmarks soll das Modell dagegen führend sein. [1]

Google meldet seinerseits 77,9 Prozent im Benchmark DeepSWE v1.1, der länger laufende Softwareentwicklungsaufgaben abbilden soll. Das Unternehmen bezeichnet diesen Wert als neuen Bestwert. Die Angabe widerspricht der niedrigeren Platzierung im Software Engineering Index nicht zwingend: Die Quellen beziehen sich auf unterschiedliche Messungen und Auswertungsformen. Ohne identische Testbedingungen lässt sich daraus keine gemeinsame Rangliste ableiten. [1][2]

Auch in wirtschaftsnahen Tests verweist Google auf starke Ergebnisse: Das Modell liege im Vals Index vorn, der Aufgaben aus Finanzen, Programmierung, Recht und Steuern gewichtet, und erreiche den ersten Platz bei Zapier AutomationBench mit 51,3 Prozent. CNBC berichtet ebenfalls, Argon liege beim Vals Index vor GPT-6 Astra und jüngeren Anthropic-Modellen. Die Benchmarkresultate zeigen mögliche Stärken in definierten Tests; sie belegen für sich allein weder Produktivitätsgewinne noch eine Überlegenheit in den jeweiligen Unternehmensprozessen. [2][4]

Google nennt interne Anwendungen als Leistungsnachweis

Google beschreibt mehrere bereits intern genutzte Anwendungen. Bei der Optimierung von Quantenalgorithmen habe Argon nach Unternehmensangaben in wenigen Minuten eine veröffentlichte Baseline um 40 Prozent übertroffen. In einem weiteren Beispiel analysierten Argon-Agenten Telemetriedaten aus Rechenzentren und identifizierten Speicheroptimierungen. Google beziffert den nach der Einführung freigesetzten Speicher auf mehr als 300 TiB und schätzt das gesamte Einsparpotenzial auf 500 TiB bis 1 PiB. CNBC berichtet ebenfalls über die interne Speicheroptimierung, stützt die Größenordnung dabei aber auf Angaben des Unternehmens. [2][4]

Ein konkretes Beispiel betrifft die Rust-Portierung der Videodecodierungssoftware libgav1. Google zufolge ersetzten Argon-Agenten 32.000 Zeilen SIMD-Code durch eine sichere Rust-Implementierung, die der Compiler automatisch vektorisieren könne. Das Ergebnis laufe 2,7-mal schneller als die zuvor bestehende Rust-Portierung und erzeuge eine identische Videoausgabe. Der Vergleich bezieht sich ausdrücklich auf diese Portierung; eine unabhängige Prüfung der Messung liegt in den vorliegenden Quellen nicht vor. [2]

Google beschreibt außerdem Migrationen großer C- und C++-Codebasen zu Rust, darunter Projekte mit bis zu mehr als 800.000 Zeilen im Fuchsia-Zircon-Kernel. Das Unternehmen betont, dass solche Änderungen vor dem Produktionseinsatz automatisiert und manuell geprüft sowie durch Emulationstests abgesichert würden. Für Unternehmen ist diese Einschränkung wesentlich: Die Beispiele belegen zunächst interne Entwicklungsarbeiten, nicht eine allgemeine Freigabe für autonom ausgeführte Änderungen an produktiven Systemen. [2]

Langer Ausgabeumfang zielt auf mehrstufige Wissensarbeit

Google hebt Argons Fähigkeit hervor, Reasoning über längere Aufgabenfolgen aufrechtzuerhalten. Dafür nennt das Unternehmen ein Ausgabelimit von bis zu einer Million Token, gegenüber zuvor 64.000 Token. Der größere Ausgaberaum soll ermöglichen, umfangreiche Aufgaben in einem zusammenhängenden Durchlauf zu bearbeiten. Die Angabe betrifft das von Google angekündigte Tokenlimit; sie belegt nicht, dass jede Aufgabe mit maximaler Länge effizient oder zuverlässig gelöst wird. [2]

Als vorgesehene Anwendungsfelder nennt Google Softwareentwicklung, Finanzrecherche, juristische Recherche und Entwurf sowie die Analyse visueller Informationen, etwa Diagramme und lange Videos. Für LVBench, einen Test zum Verständnis langer Videos, meldet Google 91,7 Prozent und bezeichnet das Ergebnis als Stand der Technik. Auch diese Leistungsangaben stammen aus der Ankündigung des Anbieters und sind im vorliegenden Quellenpaket nicht durch eine unabhängige Detailauswertung bestätigt. [2]

Für Unternehmen ist ein großes Ausgabelimit vor allem dann relevant, wenn ein Prozess umfangreiche Zwischenschritte, Dokumente oder Codeänderungen umfasst. Es kann die Art der Aufgaben verändern, die sich in einem einzelnen Modellaufruf bündeln lassen. Als Analyse folgt daraus aber nicht automatisch ein geringerer Gesamtaufwand: Die Quellen enthalten keine belastbaren Vergleichsdaten zu Latenz, Fehlerquote, Nachbearbeitung oder Gesamtkosten in realen Unternehmensabläufen. [2]

Cyberabwehr: leistungsfähige Funktionen und erhöhte Anforderungen

Google erklärt, Argon könne Schwachstellen autonom finden, validieren und Patches erstellen. Im CWE-bench v1 erreiche das Modell nach Unternehmensangaben 68 Prozent und teile damit den ersten Platz. Google verweist zudem auf interne Tests über Codebasen in 20 Programmiersprachen sowie auf einen internen Black-Box-Penetrationstest von Wiz. Diese Befunde stammen aus den von Google beschriebenen Evaluationen; Einzelheiten, die eine unabhängige Reproduktion ermöglichen würden, sind im bereitgestellten Material nicht enthalten. [2]

Als frühes Beispiel nennt Google eine kritische Schwachstelle, durch die sensible persönliche Informationen in einer weltweit von Krankenhäusern genutzten Gesundheitssoftware offengelegt worden seien. Das Unternehmen sagt, das Risiko sei von früheren Frontier-Modellen nicht erkannt worden. Da keine betroffene Software und keine unabhängige Bestätigung genannt werden, ist dies als Unternehmensangabe zu verstehen, nicht als nachprüfbarer Beleg für einen konkreten Sicherheitsvorfall. [2]

Google begründet den gestaffelten Start mit dem Missbrauchspotenzial leistungsfähiger Cyberfunktionen. Für vertrauenswürdige Verteidiger und eigene Teams soll Argon ohne Cyber-Schutzmechanismen zugänglich sein; parallel will das Unternehmen Schutzmaßnahmen unter anderem gegen missbräuchliche Cyber- und CBRN-Anfragen sowie indirekte Prompt-Injection-Angriffe verstärken. Google beschreibt außerdem Überwachung von Reasoning und Aktionen, die eine Ausführung bei Bedarf stoppen soll. Die Wirksamkeit dieser Maßnahmen wird in der Ankündigung behauptet, aber nicht unabhängig bewertet. [2]

Für Beschaffung und Einsatzplanung ergibt sich daraus ein Spannungsfeld: Dieselben Fähigkeiten, die Schwachstellen schneller auffinden und beheben könnten, erhöhen die Bedeutung von Zugriffskontrollen, Testumgebungen und menschlicher Prüfung. Das ist eine aus den beschriebenen Funktionen und Schutzmaßnahmen abgeleitete Risikoabwägung, keine Aussage über bereits dokumentierte Schäden. [2]

Gestaffelter Zugang statt allgemeiner Verfügbarkeit

Zum Start rollte Google Argon nach eigener Darstellung an eine Gruppe vertrauenswürdiger Cyberabwehrpartner über das Fairwind-Programm aus. Vor einer breiteren Freigabe wolle das Unternehmen Rückmeldungen früher Tester sammeln, Schutzmaßnahmen weiterentwickeln und an einem freiwilligen US-Verfahren für den Zugang zu Modellen vor der Veröffentlichung teilnehmen. CNBC bestätigt, dass der Start zunächst auf ausgewählte Partner beschränkt war. [2][4]

Google stellte einen späteren Zugang für Entwickler, Unternehmen und Privatnutzer in Aussicht, zunächst für zahlende API-Kunden und Abonnenten von Google AI Ultra. Die Formulierung der Ankündigung beschreibt einen geplanten Rollout, nicht die allgemeine Verfügbarkeit. In den vorliegenden Quellen findet sich zum Stichtag des zugrunde liegenden Berichts keine belastbare Bestätigung, dass dieser breitere Zugang bereits erfolgt war. [1][2]

Als Einführungspreis nannte Google zwei US-Dollar je Million Eingabe-Token und zehn US-Dollar je Million Ausgabe-Token. Nach Ende der Einführungsphase sollen die Preise auf vier beziehungsweise 20 US-Dollar steigen; zwischengespeicherte Eingabe-Token sollen während der beschriebenen Preisstruktur 95 Prozent weniger kosten als reguläre Eingabe-Token. Diese Konditionen sind für API-Kunden angekündigte Preise. Sie erlauben ohne Angaben zum Tokenverbrauch, zu Laufzeiten und zu erforderlichen Wiederholungen keine belastbare Aussage über die Gesamtkosten eines konkreten Einsatzes. [2]

Was Unternehmen aus den Ergebnissen ableiten können

Argon ist nach den verfügbaren Vergleichsdaten näher an die führenden Modelle herangerückt, als es Googles jüngere Modelle zuvor waren. Die Aussage lässt sich durch den Epoch-Capabilities-Wert und das hohe ARC-AGI-3-Ergebnis im Provider Adapter Harness stützen. Sie sollte jedoch nicht als Nachweis eines allgemeinen Vorsprungs gelesen werden: Der ARC-Wert fällt im Standard Harness deutlich niedriger aus, die Aufgabenfelder zeigen unterschiedliche Rangplätze, und mehrere Produktivitäts- und Sicherheitsbeispiele beruhen auf Angaben Googles. [1][2]

Für einen Unternehmenseinsatz wäre deshalb ein eigener Test mit repräsentativen Aufgaben und der tatsächlich vorgesehenen API-Konfiguration aussagekräftiger als ein einzelner Spitzenwert. Das ist eine praktische Schlussfolgerung aus der dokumentierten Abhängigkeit der ARC-Ergebnisse vom Harness und der unterschiedlichen Leistung nach Fachgebiet. Besonders bei Codeänderungen, Rechts- oder Finanzarbeit sowie Cyberabwehr sollten Sie zusätzlich prüfen, wie viel menschliche Kontrolle, Nacharbeit und Absicherung erforderlich ist. [1][2]

Die Markteinführung ist damit zugleich Leistungs- und Sicherheitsfrage. Google positioniert Argon als Modell für lange, komplexe Arbeitsabläufe und beginnt den Rollout bei ausgewählten Testern, bevor ein breiterer Zugang folgt. Für Unternehmen bleibt entscheidend, ob Argons Vorteile in ihren eigenen Prozessen reproduzierbar sind und ob die geplanten Schutz- und Kontrollmechanismen zu den jeweiligen Risiken passen. [2][4]

Quellen

1. [1] Google's Gemini 4 Argon is closer to the AI frontier than any Google model in months — https://the-decoder.com/googles-gemini-4-argon-is-closer-to-the-ai-frontier-than-any-google-model-in-months (abgerufen am 2026-10-16)
2. [2] Introducing Gemini 4 Argon — https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon (abgerufen am 2026-10-16)
3. [4] Google rolls out Gemini 4 Argon, its most advanced model — https://www.cnbc.com/2026/09/30/google-gemini-4-argon-ai.html (abgerufen am 2026-10-16)